論文の概要: A robust deep learning-based damage identification approach for SHM
considering missing data
- arxiv url: http://arxiv.org/abs/2304.00040v1
- Date: Fri, 31 Mar 2023 18:00:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-04 20:08:06.153873
- Title: A robust deep learning-based damage identification approach for SHM
considering missing data
- Title(参考訳): 欠落データを考慮したSHMの堅牢な深層学習に基づく損傷識別手法
- Authors: Fan Deng, Xiaoming Tao, Pengxiang Wei, Shiyin Wei
- Abstract要約: 欠落したデータは構造的健康モニタリング法の伝導に大きな影響を及ぼす。
本稿では,欠落したデータ事例を考慮に入れたロバストな損傷識別手法を提案する。
その結果、欠落したデータ計算と損傷識別を併用できることが判明した。
- 参考スコア(独自算出の注目度): 12.46223206282221
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven method for Structural Health Monitoring (SHM), that mine the
hidden structural performance from the correlations among monitored time series
data, has received widely concerns recently. However, missing data
significantly impacts the conduction of this method. Missing data is a
frequently encountered issue in time series data in SHM and many other
real-world applications, that harms to the standardized data mining and
downstream tasks, such as condition assessment. Imputation approaches based on
spatiotemporal relations among monitoring data are developed to handle this
issue, however, no additional information is added during imputation. This
paper thus develops a robust method for damage identification that considers
the missing data occasions, based on long-short term memory (LSTM) model and
dropout mechanism in the autoencoder (AE) framework. Inputs channels are
randomly dropped to simulate the missing data in training, and reconstruction
errors are used as the loss function and the damage indicator. Quasi-static
response (cable tension) of a cable-stayed bridge released in 1st IPC-SHM is
employed to verify this proposed method, and results show that the missing data
imputation and damage identification can be implemented together in a unified
way.
- Abstract(参考訳): データ駆動型構造ヘルスモニタリング(shm, data-driven method for structural health monitoring)は、監視された時系列データ間の相関から、隠れた構造的パフォーマンスをマイニングする。
しかし、データの欠如は、この方法の伝導に大きな影響を与える。
ミスデータはSHMや他の実世界の多くのアプリケーションで時系列データで頻繁に発生する問題であり、標準化されたデータマイニングや条件アセスメントなどの下流タスクに害を与える。
モニタリングデータ間の時空間関係に基づく計算手法を開発し,この問題に対処するが,計算中に追加情報を追加することはない。
そこで本研究では,長期記憶(LSTM)モデルと自動エンコーダ(AE)フレームワークにおけるドロップアウト機構に基づいて,欠落したデータイベントを考慮した損傷識別手法を開発した。
入力チャネルをランダムにドロップして、失われたデータをシミュレートし、復元エラーを損失関数と損傷インジケータとして使用する。
1st IPC-SHMで解放されたケーブルステイドブリッジの準静電応答(ケーブル張力)を用いて本手法の有効性を確認し, 欠落データ計算と損傷同定を統一的に行うことができることを示す。
関連論文リスト
- DeepHYDRA: Resource-Efficient Time-Series Anomaly Detection in Dynamically-Configured Systems [3.44012349879073]
我々はDeepHYDRA(Deep Hybrid DBSCAN/reduction-based Anomaly Detection)を提案する。
DBSCANと学習ベースの異常検出を組み合わせる。
大規模なデータセットと複雑なデータセットの両方において、異なるタイプの異常を確実に検出できることが示されている。
論文 参考訳(メタデータ) (2024-05-13T13:47:15Z) - PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。
我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文 参考訳(メタデータ) (2023-01-25T16:34:43Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳(メタデータ) (2022-09-26T21:59:14Z) - Calibrating Agent-based Models to Microdata with Graph Neural Networks [1.4911092205861822]
エージェントベースモデル(ABM)をデータにキャリブレーションすることは、モデルがその目的を確実に満たすための最も基本的な要件である。
本稿では、時間グラフニューラルネットワークを用いて、粒状マイクロデータに付随するパラメータ後部を学習する。
論文 参考訳(メタデータ) (2022-06-15T14:41:43Z) - Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
impured training data [53.122045119395594]
トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。
AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
論文 参考訳(メタデータ) (2022-04-12T13:05:18Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳(メタデータ) (2021-07-05T12:44:39Z) - Medical data wrangling with sequential variational autoencoders [5.9207487081080705]
本稿では,逐次変分オートエンコーダ(vaes)を用いた異種データ型とバースト欠落データを用いた医療データ記録のモデル化を提案する。
GP-VAEモデルより計算複雑性が低く,両指標を用いた場合,Shi-VAEが最高の性能を発揮することを示す。
論文 参考訳(メタデータ) (2021-03-12T10:59:26Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z) - Data Anomaly Detection for Structural Health Monitoring of Bridges using
Shapelet Transform [0.0]
多くの構造健康モニタリング(SHM)システムが、土木インフラを監視するために配備されている。
SHMシステムによって測定されたデータは、故障または故障したセンサーによって引き起こされる複数の異常によって影響を受ける傾向にある。
本稿では,SHMデータの異常を自律的に識別するために,Shapelet Transformという比較的新しい時系列表現を提案する。
論文 参考訳(メタデータ) (2020-08-31T01:11:04Z) - Data-Driven Failure Prediction in Brittle Materials: A Phase-Field Based
Machine Learning Framework [1.3858051019755282]
繰り返しまたは増加する負荷下でマイクロ・マクロ・クラックによって導かれる脆性材料の破壊は、しばしば破滅的である。
等温・線形弾性・等方位相場モデルにおける故障を予測するための教師付き機械学習(ML)フレームワークを開発した。
提案手法は,高い騒音レベルが存在する場合でも,許容精度で故障を予測できることを示す。
論文 参考訳(メタデータ) (2020-03-24T17:13:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。